概念
别名：Direct Preference Optimization
直接偏好优化训练方法
已跟踪 8 条高相关材料
最近变化
2026-08-05 · DeepSeek V4 Flash 0731 可通过 Fireworks API 进行 SFT/DPO/RL 训练
为什么值得关注
DPO 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
DeepSeek V4 Flash 0731 is ready to fine-tune on Fireworks. Run SFT, DPO, and RL training jobs on th...
Fireworks AI(@FireworksAI_HQ) · 8.5 分
Fireworks AI 现已支持 DeepSeek V4 Flash 0731 模型的微调训练，提供 SFT/DPO/RL 三种训练方式，适用于编码代理和高并发场景，成本较传统方案降低 70%。
Understanding Alignment in Multimodal LLMs: A Comprehensive Study
Apple Machine Learning Research · 8.5 分
苹果提出多模态大模型对齐新方法BDHS，无需额外标注即可提升模型性能，揭示离线与在线对齐方法结合的有效性。
How LLMs Learn to Be Helpful (RLHF vs DPO)
ByteByteGo Newsletter · 8.5 分
本文对比RLHF与DPO两种方法，揭示大语言模型如何通过偏好学习提升帮助性，解析训练三阶段及技术局限性。
已收录 8 条与 DPO 相关的内容，按评分排序。
Fireworks AI 现已支持 DeepSeek V4 Flash 0731 模型的微调训练，提供 SFT/DPO/RL 三种训练方式，适用于编码代理和高并发场景，成本较传统方案降低 70%。
入选理由：DeepSeek V4 Flash 0731 可通过 Fireworks API 进行 SFT/DPO/RL 训练
苹果提出多模态大模型对齐新方法BDHS，无需额外标注即可提升模型性能，揭示离线与在线对齐方法结合的有效性。
入选理由：BDHS方法通过偏差驱动幻觉采样，无需外部模型或人工标注
本文对比RLHF与DPO两种方法，揭示大语言模型如何通过偏好学习提升帮助性，解析训练三阶段及技术局限性。
入选理由：模型训练分三阶段：预训练、监督微调（SFT）、偏好教学（RLHF/DPO）
Fireworks AI 现在支持 Kimi 2.7 的完全可训练，提供低成本构建竞争模型的方案。
入选理由：Kimi 2.7 可通过 Fireworks AI 进行 SFT、DPO 和 RL 训练。
本文介绍了DPO（Direct Preference Optimization）技术，它通过使用模型自身失败时产生的拒绝对来优化文本生成，从而显著减少了文本退化率。DPO在OCR（光学字符识别）任务中特别有效，因为它可以作为直接的失败模式缓解工具，而无需依赖于主观的人类判断。
入选理由：DPO技术通过使用模型自身失败时产生的拒绝对来优化文本生成，显著减少了文本退化率。
Fireworks AI 平台正式支持智谱 GLM 5.1 模型，提供 SFT/DPO 微调能力、200K 超长上下文窗口，专为长周期智能体编程微调优化，RL 训练即将上线。
入选理由：GLM 5.1 已集成至 Fireworks AI 托管与 API 训练工作流
Fireworks AI 宣布 Qwen 3.5 正式接入其训练平台，支持 SFT/DPO/RLHF 等全栈微调方式、256K 上下文及 LoRA/全参微调。
入选理由：Qwen 3.5 已上线 Fireworks AI 训练平台，覆盖托管与 API 两种工作流
Fireworks AI 扩展其训练平台，支持 Nemotron 3 Ultra 模型的微调和 DPO 训练。
入选理由：Nemotron 3 Ultra 现在支持 SFT 和 DPO 训练。
